如何直观地通过代码例子来证明Python的GIL存在

Python的全局解释器锁（Global Interpreter Lock，简称GIL）是实现在多线程环境中单线程执行字节码的机制，它确保任何时刻只有一个线程可以执行Python字节码。这一设计的初衷在于简化内存管理并减少引入多线程时可能发生的并发错误。然而，GIL也因降低多核处理器上的多线程程序效率而备受诟病。在多线程密集型计算任务中，这一限制就变得尤为明显，因为多个线程无法充分利用多核处理器的优势。

为了得到直观的证明，我们可以通过两个例子来观察GIL的影响：一个是CPU密集型任务，一个是I/O密集型任务。CPU密集型任务会因为GIL的存在而不能有效地利用多线程提高性能，而在I/O密集型任务中，由于线程大部分时间在等待外部资源，GIL释放会比较频繁，多线程仍能有效提高性能。

一、 CPU密集型任务例子

在这个例子中，我们将创建多个线程分别执行累加操作，累加操作是纯CPU密集型任务，几乎没有I/O操作。

import time
import threading
一个简单的累加函数
def count(n):
    while n > 0:
        n -= 1
单线程执行
start_time = time.time()
count(100000000)
end_time = time.time()
print(f"单线程执行时间: {end_time - start_time}")
多线程执行
start_time = time.time()
t1 = threading.Thread(target=count,args=(50000000,))
t2 = threading.Thread(target=count,args=(50000000,))
t1.start()
t2.start()
t1.join()
t2.join()
end_time = time.time()
print(f"两个线程执行时间: {end_time - start_time}")

这段代码中，我们首先单线程执行count函数，然后再使用两个线程各自执行一半数量的count，按理说，在有多个核的系统上，两个线程的执行时间应当大约是单线程的一半，然而由于GIL的存在，我们会观察到两个线程执行的时间并不会比单线程快很多，有时甚至更慢。

二、 I/O密集型任务例子

接下来，我们用一个I/O密集型任务的例子来观察GIL的影响。

import time
import threading
import requests
一个简单的下载网页内容的函数
def download(url):
    response = requests.get(url)
    return response.text
单线程执行
start_time = time.time()
website_list = [
    'http://www.jython.org',
    'http://olympus.realpython.org/dice',
] * 10
for website in website_list:
    download(website)
end_time = time.time()
print(f"单线程执行时间: {end_time - start_time}")
多线程执行
start_time = time.time()
threads = []
for website in website_list:
    thread = threading.Thread(target=download, args=(website,))
    thread.start()
    threads.append(thread)
for thread in threads:
    thread.join()
end_time = time.time()
print(f"多线程执行时间: {end_time - start_time}")